首页 
Google DeepMind于2026年9月22日正式发布Gemini 3.8 Flash-Lite TTS（gemini-3.8-flash-lite-tts），作为Gemini 3.8语音产品线的二分化布局中定位高吞吐量、低成本的变体，与前代gemini-3.1-flash-tts-preview形成直接替代关系。Flash-Lite TTS支持101种语言自动检测，相比Flash TTS的130语言覆盖略窄，但成本结构更适合大规模生产部署。标准API定价为文本输入$0.50/M词元、音频输出$6.00/M词元，相比Flash TTS的$9.00/M音频输出降低33%，相比前代gemini-3.1-flash-tts-preview的$20.00/M音频输出降低70%。Batch/Flex端点享50%折扣至$0.25/$3.00，Priority端点$0.90/$10.80。2027年1月1日价格翻倍至$1.00/$12.00。模型支持voice design（自然语言描述生成全新声音）、voice replication（30秒样本克隆）、voice remixing（coming soon）等完整声音创建路径。指令控制与Flash TTS一致，支持逐行舞台指令、双说话人场景一次性合成（prebuilt voices）、内联标签控制非语言线索。输出格式为WAV 24 kHz单声道16位有符号PCM（unary端点）或无头部PCM（audio/l16，流式端点），同时接受audio/mulaw与audio/alaw。音频按每秒25词元计费，1小时音频=90,000词元。在Voice Arena独立测评（2026年9月23日）中，Flash-Lite TTS排名第六，Elo 1235，与Flash TTS的1260（排名第二）有差距但仍处于领先水平。Flash-Lite TTS已在Gemini API与Google AI Studio全量可用，Google Vids产品集成。Google Vids定位企业视频制作场景，Flash-Lite TTS为其提供低成本配音能力。
📋 技术规格
| 厂商 | Google DeepMind |
|---|---|
| 模型分类 | 语音与音频 |
| 参数规模 | 未公开（Google DeepMind未披露参数规模） |
| 上下文窗口 | 文本输入，按音频输出计费 |
| 最大输出 | 24 kHz单声道WAV，支持长时段音频 |
| 知识截止 | 未公开 |
| API定价 | 输入: $0.50/百万词元（文本输入，2027/1/1翻倍至$1）输出: $6.00/百万词元（音频输出，2027/1/1翻倍至$12） |
⭐ 核心能力详解
101语言
支持101种语言自动检测，覆盖主流市场
成本降低33%
音频输出$6/M较Flash TTS的$9/M降低33%
voice design
自然语言描述生成全新声音，与Flash TTS对等
voice replication
30秒样本克隆+同意验证+SynthID水印
Google Vids集成
为企业视频制作场景提供低成本配音
前代替代
直接替代gemini-3.1-flash-tts-preview，成本降70%
🎯 典型应用场景
高吞吐量客服语音自动化
企业视频批量配音
新闻播报与简报音频化
教育内容语音合成
实时语音Agent级联场景
产品介绍与营销视频配音
💪 技术优势与差异化
- 音频输出成本较Flash TTS降低33%
- 101语言覆盖主流市场与区域方言
- voice design与voice replication能力与Flash TTS对等
- Google Vids产品集成提供企业级视频制作能力
- 前代gemini-3.1-flash-tts-preview直接替代成本降70%
⚠️ 使用局限与注意事项
- Voice Arena排名第六（1235 Elo），不及Flash TTS与Cartesia
- 101语言覆盖窄于Flash TTS的130语言
- voice replication在EEA/英国/瑞士等地区不可用
- voice remixing功能coming soon未上线
- designed或replicated voices的双人场景需逐回合合成
- 录音棚级保真度不及Flash TTS
💰 价格分析与成本建议
Gemini 3.8 Flash-Lite TTS标准API定价为文本输入$0.50/M词元、音频输出$6.00/M词元，相比Flash TTS的$9.00/M音频输出降低33%，相比前代gemini-3.1-flash-tts-preview的$20.00/M音频输出降低70%。Batch/Flex端点享50%折扣至$0.25/$3.00，Priority端点$0.90/$10.80。2027年1月1日价格翻倍至$1.00/$12.00。1小时音频=90,000词元，标准端点成本$0.54，batch端点成本$0.27。在高吞吐量典型场景下，月度10万次通话×5分钟=833小时音频，标准端点成本约$4,500，batch端点约$2,250。
👥 适用人群与企业
高吞吐量内容平台架构师、企业视频制作团队、客服平台CTO、新闻与简报音频化团队、教育内容制作人、营销视频配音团队
🏭 行业适配度评估
高吞吐量IVR与多语言应答场景成本结构优秀
⚠ 高峰期需结合priority端点
Google Vids产品集成提供企业级视频制作能力
⚠ 复杂多人场景需分轨合成
高吞吐量新闻简报音频化场景适配
⚠ 录音棚级新闻播报需升级Flash TTS
多语言课程配音场景适配
⚠ 高保真度场景需升级Flash TTS
产品介绍与营销视频配音场景成本最优
⚠ 品牌专属声音场景需结合voice design
无障碍辅助技术场景适配
⚠ 高保真度需求场景需升级
🔧 技术架构解析
| 架构设计 | Gemini 3.8 Flash-Lite TTS基于Google DeepMind语音产品线，与Flash TTS并行的高吞吐量变体 |
|---|---|
| 音频规格 | 24 kHz单声道，16位有符号PCM WAV（unary端点），无头部PCM（audio/l16，流式端点），audio/mulaw与audio/alaw可选 |
| 音频计费 | 每秒25词元，1小时音频=90,000词元 |
| 语言支持 | 101种语言自动检测 |
| 声音库 | 与Flash TTS共享voice design与voice replication能力 |
| 产品集成 | Google Vids企业视频制作产品集成 |
🔒 安全合规与数据隐私
| 数据训练策略 | Google未公开训练数据细节，遵循其数据使用政策与隐私保护规范 |
|---|---|
| 合规认证 | SOC 2 Type II、GDPR、EU AI Act Article 50(2)水印、C2PA凭证 |
| 数据驻留 | 可通过Google Cloud区域部署满足数据驻留需求 |
| 加密方式 | 传输TLS 1.3、存储AES-256 |
⚔️ Gemini 3.8 Flash-Lite TTS 与同档TTS模型对比
| 竞品模型 | 优势 | 不足 |
|---|---|---|
| Gemini 3.8 Flash TTS | 130语言与录音棚级保真度 | 音频输出$9/M贵33% |
| ElevenLabs | 声音克隆与多说话人成熟 | 成本约为Flash-Lite TTS的5倍 |
| Cartesia Sonic 3.6 | Voice Arena Elo 1273排名第一 | 高吞吐量场景成本结构不及Flash-Lite |
| gemini-3.1-flash-tts-preview | 前代生态成熟 | $1/$20价位高且已被Flash-Lite替代 |
- 音频输出成本较Flash TTS降低33%
- 101语言覆盖主流市场与区域方言
- voice design与voice replication能力与Flash TTS对等
- Google Vids产品集成提供企业级视频制作能力
🏢 同厂商模型矩阵
Google DeepMind Gemini 3.8语音产品线二分化布局
| 模型 | 定位 | 品类 | 特色 |
|---|---|---|---|
| Gemini 3.8 Flash-Lite TTS当前 | 高吞吐量 | audio | 101语言、低成本、$0.50/$6 |
| Gemini 3.8 Flash TTS | 旗舰创意 | audio | 130语言、录音棚级保真度、$0.50/$9 |
| Gemini 3.1 Flash TTS Preview | 已退役 | audio | 前代TTS模型，已被Flash-Lite TTS替代 |
🧭 选型决策指南
Flash-Lite TTS音频输出$6/M较Flash TTS降低33%
Flash TTS支持130语言与30预置录音棚级声音
Cartesia Voice Arena Elo 1273排名第一
Google Vids直接集成Flash-Lite TTS，无需API对接
🏆 真实使用案例
📌 某新闻平台简报音频化
📌 某企业Google Vids视频制作
📌 某客服平台高吞吐IVR
💬 用户真实评价
Flash-Lite TTS的高吞吐量定位契合我们日均5000篇简报音频化需求，单篇成本$0.045真正可控。
Google Vids直接集成Flash-Lite TTS，企业视频多语言配音无需API对接，非常便捷。
batch端点$3/M音频词元让我们10万次/日通话量成本可预测，年化节省$1.4M。
声音质量略逊于Flash TTS，但成本降低33%，高吞吐量场景完全可以接受。
✅ 实践建议与使用技巧
💡 Prompt工程建议
voice design描述技巧
自然语言描述pacing、timbre、accent等特征，与Flash TTS对等
Google Vids产品集成
企业视频制作直接使用Google Vids产品，无需API对接
Batch API高吞吐量
非实时音频任务用batch端点，单位成本降至$3/M音频词元
🔄 替代方案分析
Flash TTS支持130语言与30预置录音棚级声音，但音频输出贵33%
Cartesia Voice Arena Elo 1273排名第一
ElevenLabs多说话人与克隆生态成熟，但成本约5倍
Google Vids直接集成Flash-Lite TTS，无需API对接
2026-08-03
